Deezer 将上线过滤 AI 生成音乐功能
流媒体平台 Deezer 宣布正在开发一项新切换功能,允许用户过滤掉平台上上传的 AI 生成音乐。该功能预计在今年年底前可用,开启后用户将无法在搜索结果中看到 AI 生成的曲目、专辑及相关艺人。
流媒体平台 Deezer 宣布正在开发一项新切换功能,允许用户过滤掉平台上上传的 AI 生成音乐。该功能预计在今年年底前可用,开启后用户将无法在搜索结果中看到 AI 生成的曲目、专辑及相关艺人。
Friend 2 是 Avi Schiffmann 推出的第二代 AI 吊坠,售价 $249,基于 OpenAI 模型,但被评价为缺乏个性且功能受限。 设备提供固定角色和名称,但用户可创建多个 persona;AI 仅能进行闲聊,无法像其他 agent 那样浏览网页,内容受限于隐私政策。 Schiffmann 计划更新使其成为共享上下文的单一实体,但当前体验仍显单调。
Apple 发布 $149 的 HomePod mini 2,配备 S10 芯片,可运行 Siri AI,但 10 月 30 日上市时该功能尚未就绪,将通过后续更新提供。
阿里巴巴 Token Foundry Qwen Audio 团队 3 篇论文获 EMNLP 2026 主会及 Findings 接收,涵盖视频到音频生成、大模型推理与语音合成。
Qoder 已集成到千问AI耳夹式耳机中。用户通过耳机唤醒 Qoder 后,可语音指令继续推进电脑上的未完成任务,或通过 Computer Use 功能让 Agent 像人一样操作屏幕、点击鼠标和敲键盘来完成具体事务。耳机支持全双工语音交互,允许用户在 Qoder 说话时随时插话修正指令。
推荐理由:耳机与Agent结合,允许用户通过语音指令继续电脑上的任务,并直接操作电脑完成具体事务。
苹果集中发布HomeView、新款Apple TV 4K、HomePod mini 2及Apple Home Collection四类产品,以Siri AI作为全屋智能核心入口。
CoReLoop 提出使用循环特定的 LoRA 和轻量级模块,在不更新原始参数且不使用新数据的情况下,改善基于自监督学习(SSL)的音频深度伪造检测器泛化能力。
该研究提出 Auto-AEG 管道,通过自动数据构建与模型微调解决开放词汇音频事件定位中的数据稀缺瓶颈。 利用程序合成片段提供冷启动监督,并结合真实音频的多模型伪标签强化学习,显著提升大音频语言模型的时间定位能力。 该方法在 AEGBench 等基准测试中展现出显著的时间定位增益,并泛化至多种留出声源检测任务。
RAIL提出基于CHC框架的听觉智能基准,评估26个大音频语言模型发现知识任务表现强但听觉感知与记忆弱。 该基准揭示模型依赖语言预训练,听觉推理效率低且落后于人类表现。 RAIL确立了人类对齐的听觉智能评估新框架,已被NeurIPS 2026接收。
论文提出 NAVIR 系统,在 BrainChip Akida 上实现端到端视听语音识别,这是该类神经形态硬件上首个完整的多模态 AVSR 流水线。 系统在 GRID 基准下噪声环境词错率达 14.0%,较纯音频基线提升显著;能耗比树莓派低 5 倍,比笔记本 GPU 低 100 倍以上,维持 14.5 次/秒推理。 显著降低边缘设备能耗,提升工业环境人机交互鲁棒性。
CodecFlow 提出了一种基于神经音频编解码的带宽扩展(BWE)框架,通过条件流匹配在紧凑潜空间实现高效语音重建。 该框架采用感知音高(voicing-aware)条件流转换器和结构约束残差向量量化器(RVQ)以改善潜空间对齐稳定性。在 8 kHz 至 16 kHz 及 44.1 kHz 的语音 BWE 任务中,CodecFlow 展现了高保真频谱质量和增强的感知质量。
作者发布 TontaubeV1 模型,利用 Qwen3 系列架构实现了单卡流式文本转语音,首包延迟约 200 ms。该模型在盲测中 70.25% 的听众认为其韵律优于 Fish Audio S2 Pro,权重已在 Hugging Face 开放。
AudioChaps 是一个通过后训练对齐端到端大音频语言模型(LALM)用于音频章节化的框架,使用由思维链(CoT)推理引导的组相对策略优化(GRPO)。
summary_zh: 针对声旁切分与识别任务,研究人员提出基于自监督语音模型(S3M)的 SPAM 方法。该方法通过声学生激活映射将 S3M 表示帧映射为语音特征激活向量,并引入无梯度下降的轻量化预测头。
DELTA-TTS 将预训练自回归 TTS 模型转化为离散扩散语言模型,在 Seed-TTS test-en 上实现 1.75% WER,生成速度提升 3.3 倍。 框架基于轻量 LoRA 适配,引入卷积模块、1/t 加权训练目标与时间偏移推理调度,仅使用 585 小时 LibriTTS 数据训练。 该方法缓解自回归生成的幻觉问题,提升文本-语音对齐与解码置信度,音频样本、代码及权重已开源。
该综述针对边缘部署的音频大语言模型智能体,提出了声学感知到动作(S2A)系统模型,以追踪安全影响路径。模型综合了现有声学、智能体及边缘系统文献,分析跨组件及阶段转换中的安全缺口。该发现要求跨持久状态、系统边界和部署条件,对声学影响进行从感知到动作的端到端安全评估。
LiveAnon 提出一种基于语音转换的流式说话人匿名化系统,通过直接条件化自回归编码语言模型于预训练流式 ASR 编码器的隐藏特征,在无需情绪特定监督的情况下保留情绪。 该系统引入有界 RVQ 解码以降低延迟,在 VPC24 基准中比固定目标 Stream-Voice-Anon 具有更高的可懂度和情绪保留,并实现流式系统中最强的半知情隐私;在 VPC26 中各项指标排名第二。
UA-Bench 提出首个评估大型音频语言模型水下声学识别能力的大规模基准,包含 375,051 条参数化音频记录。模型在 2,600 条测试集上无任务适配的叶级准确率仅为 2.0%–13.1%,而随机基线为 7.7%。该基准为模型提供了参考点,其发布的训练分区支持后续适配研究。
Index-Translate 发布,包含 2B、9B 和 35B-A3B 三个尺寸,支持 150 种语言翻译及指令遵循,性能比肩 100B 规模模型。 系列还引入 Index-Echo 端到端语音翻译、Index-Homura 音节受控配音及 Index-NativeLong 长文档翻译,覆盖多元任务场景。
提出基于 Whisper-small 的统一音频深度伪造检测框架,在 ADD 2022、FakeOrReal 等基准上取得 1.51% 的平均 EER 最优结果。
GAMW将自适应多比特水印嵌入TTS生成过程,16比特负载下抗复合扰动解码准确率超最强基线23.5个百分点。 该方法结合焦点调制与逐比特动态加权,支持高负载下可靠解码,并保持语音质量竞争力,代码已公开。
针对无对齐 TTS 模型在跨语言场景下的时长失配问题,研究构建了覆盖英语及 9 种印度语言的跨语言评估基准。 提出语言感知的推理时时长估计策略,通过引入特定语言的每字符时长统计来优化 A-DMA 模型。 该策略无需重新训练或修改架构,即显著提升了语音的自然度、可懂度及说话人相似度,相关资源已公开。
Audio8-TTS 是一款 0.6B 参数的零样本语音克隆模型,在 intelligibility、speaker similarity 和 perceptual naturalness 上达到 SOTA 表现。模型通过构建开源 TTS 质量阶梯训练现实度批评家,并使用 GRPO 以 WER 和 SIM 为奖励优化,最终阶段保留 WER 性能并提升韵律自然度。
AlignAudio 提出双对齐噪声鲁棒生成框架,在语音转音频(STA)和语音转换(VC)任务中,于多种噪声条件下显著优于基线模型。 框架包含语义保持对齐与流匹配生成一致性约束,支持单流与多流语音条件,可集成至不同 flow matching 生成架构及后训练设置。
TypoCast 基于 CVSS-C 测试超越 SOTA 系统,仅用 228M 可训练参数支持七种语言。 它采用层级语言编码和混合专家适配器,通过类型学特征共享监督信号。 消融实验表明条件信号在训练期关键,推理期移除后 BLEU 变化小于 0.2。
JAL-Turn 是一种轻量级语音轮次切换检测框架,通过跨注意力模块自适应融合预训练的声学与语言表征,实现低延迟的保持或切换预测。 该框架共享冻结的 ASR 编码器,使轮次切换预测与语音识别完全并行,几乎不增加端到端延迟;实验表明其在 Easy-Turn、Smart-Turn 基准及日本客服数据集上检测精度具有竞争力,且实时性能更优。
Fish Audio 开源了基于 35B 参数 MoE 架构的语音生成模型 Fish Audio Drama 3。该模型能根据自然语言指令生成多角色长对话,支持多轮修改、语音编辑及流式输入,其专属音频解码器可将推理速度提升至 271 帧/秒,已发布至 GitHub 和 Hugging Face 并支持 SGLang-Omni 部署。
推荐理由:报告详细解析了单模型实现多轮剧本修改、声线克隆及SGLang-Omni流式推理的架构设计与完整技术路线。
研究在四个语料库中发现,尽管平均后的说话者韵律分数高度一致(如ESD达0.997),但其与抑郁症或PTSD严重度的关联未超过0.15。 词级韵律在不同语境下的复现性很低(0.01-0.16),且等效性测试排除了0.30及以上效应。代码已公开,证实聚合韵律无法检测相关疾病严重度。
VoTSpeech 通过显式中间语音 latent 将语音设计与语音生成分离,基于共享语言模型骨干,用 flow-based 模块从文本指令预测连续 voice latent,并作为 Acoustic DiT 与语言模型的共享条件。
RUBATO 提出多流位置编码方案,通过独立时钟解耦流,实现全双工模型硬件自适应解码。 训练仅需两种极端解码速度即可零样本插值适配中间速率,简化数据集构建。 在 Spoken GSM8K 任务中,RUBATO-Full 保持 48.7%-51.1% 准确率,较基线提升显著并缩短 6.5 倍回答时间。
提出一种基于预训练语音编码器检测语码转换的轻量方法。 该方法通过识别单语录音中的语言选择性隐藏状态维度,结合帧级激活预测语码转换,Whisper-small 编码器在 CS-FLEURS 的 14 个语言对平均 F1 达 0.798。 此方法无需依赖多语转录,有助于构建更具代表性的多语训练语料库。
研究发现 Whisper 大语言模型的 LoRA 微调增益并非均匀分布,且池化 LoRA 常能匹配甚至优于组特定 LoRA。 研究覆盖 Common Voice、LibriSpeech 和 VoxPopuli 数据集,发现增益集中于 Common Voice 困难组,在低误差的 LibriSpeech 上几乎消失。 结论指出,在解释个性化证据前,应将零样本增益与匹配的池化适应进行对比。
两项研究表明,克隆熟悉人的声音用于虚拟角色时,个性印象的迁移是有限的,并未系统性地让受众将虚拟角色视为有能力的社会行为者。 研究发现效果具有选择性且无法在不同特质或研究情境间泛化;在线研究中,可识别的声音线索仅激活了说话者预期,未重构完整的个人印象,且判断常受感知人工性及声貌匹配度影响。
研究提出用语音语言模型(speech LM)直接从语音信号估计惊奇度(surprisal),消除传统依赖文本转写瓶颈。引入重要性采样估计器,对文本转语音模型生成的多种声学实现进行边缘化,以近似抽象语言单元的概率。
PACT 提出目标语语用提示框架,解决现有语音翻译系统在情感、语调及节奏表达上的不足。 该框架提取源语语用线索并投影至目标语空间,转换为连续提示词驱动冻结语音生成器。 在西班牙-英语双向 TOPI 评估中,PACT 在内容保真、声音及表情保持指标上综合表现最佳。
ScreenASR-Bench 是一个含三层递进难度的视觉语境 ASR 基准,涵盖直接屏幕文字(ETE)、视觉内容(EVE)及场景级语义推理(ISE)。 实验表明,引入视觉语境可显著提升 ASR 模型、大型音频语言模型(LALM)及 Omni 模型的召回率;其中 ETE 层级提升最大,ISE 层级提升最小。 研究团队已公开发布该基准,以推动基于视觉锚定的语音识别研究。
研究者微调 Whisper 预测单词起止时间戳,构建的强制对齐器在电话语音上的单词边界误差为 16.0 ms,优于 MFA 的 36.5 ms。 模型仅使用 47 小时人工标注边界数据训练,采用 LoRA 微调并优化了时间戳槽位布局,对转录错误具有极强鲁棒性。 该结果在 FA-Bench 基准上达到 11.6 ms 误差,优于最佳已发表系统的 18.2 ms,并发布了相关模型。
Diffuplex 引入基于离散扩散的全双工口语模型,在思维模式下达到每秒 1872 个 token 的生成速度。 该模型通过分离训练层面的“何时说”与“说什么”,实现智能性与响应效率的平衡。 Diffuplex 语义计算不再受感知音频帧率限制,为实时对话智能体确立了新范式。
研究通过纵向评估 2021-2025 年发布的 16 个主流 ASR 系统,揭示标准与少数派英语变体间的性能差距并非随时间可靠缩小,反而存在风险。 在 8 个涵盖多样化英语口音的数据集测试中,少数派口音表现不稳定,不同代际系统间 Word Error Rate 有时恶化高达 65%。 研究表明标准 ASR 基准隐含了优待主流美式英语的语言政策,反映了技术基础设施的体系性缺陷。
在级联语音智能体中,ASR 错误对下游工具调用的影响差异显著。现有 WER 指标无法捕捉这种差异,研究提出了配对诊断协议 SpeechEvalX,用于评估 ASR 错误受影响的任务角色如何影响结构化工具调用。